最新章節

• 12.5 參考文獻
• 12.4 小結
• 12.3.2 人工智能助力合成生物學產業——以生物制藥業為例
• 12.3.1 人工智能推動生物產業的智能化與自動化
• 12.3 人工智能賦能新一代生物經濟
• 12.2 合成生物學是生物經濟發展的關鍵驅動因素

• 12.5 參考文獻 更新時間：2024-12-16 16:49:33
• 12.4 小結
• 12.3.2 人工智能助力合成生物學產業——以生物制藥業為例
• 12.3.1 人工智能推動生物產業的智能化與自動化
• 12.3 人工智能賦能新一代生物經濟
• 12.2 合成生物學是生物經濟發展的關鍵驅動因素
• 12.1.4 國內生物經濟的發展戰略
• 12.1.3 國外生物經濟的發展戰略
• 12.1.2 生物經濟的發展趨勢
• 12.1.1 生物經濟的定義
• 12.1 生物經濟概述
• 第12章 合成生物學與人工智能賦能的生物經濟
• 11.6 參考文獻
• 11.5 小結
• 11.4 人工智能在DNA存儲中的應用
• 11.3.3 DNA存儲模式
• 11.3.2 DNA存儲基本流程
• 11.3.1 DNA存儲簡介
• 11.3 DNA存儲
• 11.2.3 利用基因線路構建神經擬態計算
• 11.2.2 基于DNA分子的神經擬態計算
• 11.2.1 神經擬態計算概述
• 11.2 神經擬態計算
• 11.1.4 DNA計算模擬電路
• 11.1.3 DNA計算數字邏輯
• 11.1.2 DNA計算模塊
• 11.1.1 DNA計算原理
• 11.1 DNA計算
• 第11章 人工智能在DNA計算及存儲中的應用
• 10.7 參考文獻
• 10.6 小結
• 10.5.3 人工智能輔助細菌代謝系統的進化預測
• 10.5.2 人工智能輔助代謝途徑優化
• 10.5.1 人工智能在代謝途徑中的設計原理
• 10.5 人工智能在代謝工程中的應用
• 10.4.3 曲霉屬的代謝工程
• 10.4.2 放線菌屬的代謝工程
• 10.4.1 光滑念珠菌的代謝工程
• 10.4 代謝工程改造示例
• 10.3.2 生物合成途徑的重構
• 10.3.1 調控元件的改造
• 10.3 代謝途徑的改造策略
• 10.2.5 其他菌株
• 10.2.4 釀酒酵母
• 10.2.3 谷氨酸棒狀桿菌
• 10.2.2 枯草芽孢桿菌
• 10.2.1 大腸桿菌
• 10.2 代謝工程中常見的模式菌株
• 10.1 代謝工程概述
• 第10章 代謝工程
• 9.5 參考文獻
• 9.4 小結
• 9.3.2 人工智能輔助必需基因發掘
• 9.3.1 人工智能輔助染色體完全合成
• 9.3 人工智能在基因組智能化設計中的應用
• 9.2.4 最小基因組構建的阻礙和挑戰
• 9.2.3 最小基因組構建示例
• 9.2.2 最小基因組的構建原理
• 9.2.1 最小基因組概述
• 9.2 最小基因組的設計
• 9.1.3 真核細胞基因組的合成
• 9.1.2 細菌基因組的合成
• 9.1.1 病毒基因組的合成
• 9.1 合成基因組
• 第9章 微生物基因組
• 8.5 參考文獻
• 8.4 小結
• 8.3.3 利用人工智能技術優化改造工程化載體
• 8.3.2 基于合成生物學的工程化載體設計策略
• 8.3.1 基于合成生物學的工程化載體設計特點
• 8.3 基于合成生物學的工程化載體設計策略
• 8.2.4 利用DNA改組技術形成嵌合體
• 8.2.3 假病毒工程化載體策略
• 8.2.2 鑲嵌病毒工程化載體策略
• 8.2.1 嵌合病毒工程化載體策略
• 8.2 傳統設計策略
• 8.1.4 慢病毒工程化載體
• 8.1.3 逆轉錄病毒工程化載體
• 8.1.2 腺相關病毒工程化載體
• 8.1.1 腺病毒工程化載體
• 8.1 工程化載體概述
• 第8章 工程化載體
• 7.7 參考文獻
• 7.6 小結
• 7.5.2 智能生物傳感器的應用領域
• 7.5.1 智能生物傳感器的應用實例
• 7.5 智能生物傳感器的實例及應用
• 7.4 人工智能驅動的生物傳感器
• 7.3 合成生物學使能的生物傳感器
• 7.2.4 雙組分系統在生物傳感器中的應用
• 7.2.3 雙組分系統的特異性
• 7.2.2 雙組分系統的效率調控
• 7.2.1 雙組分系統簡介
• 7.2 基于雙組分系統的生物傳感器
• 7.1 全細胞生物傳感器
• 第7章 生物傳感器
• 6.7 參考文獻
• 6.6 小結
• 6.5.3 在DNA計算中的應用
• 6.5.2 在生物醫學領域的應用
• 6.5.1 在生物傳感器中的應用
• 6.5 基因線路的應用
• 6.4 利用人工智能設計基因線路
• 6.3.3 網絡細胞控制
• 6.3.2 細胞間控制
• 6.3.1 細胞內控制
• 6.3 控制系統理論與設計
• 6.2.2 基因線路設計的建模策略
• 6.2.1 基因線路的性能優化
• 6.2 基因線路的性能優化與建模策略
• 6.1.3 實驗設計工具
• 6.1.2 底盤細胞的選擇
• 6.1.1 質粒的設計與構建
• 6.1 基因線路設計
• 第6章 基因線路
• 5.6 參考文獻
• 5.5 小結
• 5.4.2 生物制造與酶工程
• 5.4.1 生物醫藥與抗體研發
• 5.4 人工智能輔助蛋白質工程應用
• 5.3.3 人工智能驅動蛋白質從頭設計
• 5.3.2 人工智能指導定向進化策略
• 5.3.1 人工智能顛覆蛋白質結構預測
• 5.3 人工智能在蛋白質工程中的應用實例
• 5.2.5 模型的可解釋性
• 5.2.4 模型的訓練與評估
• 5.2.3 模型的選擇與構建
• 5.2.2 蛋白質的向量表示法
• 5.2.1 蛋白質數據集的構建
• 5.2 人工智能輔助蛋白質工程策略
• 5.1.3 從頭設計蛋白質
• 5.1.2 半理性設計
• 5.1.1 定向進化
• 5.1 基本策略
• 第5章 蛋白質工程
• 4.6 參考文獻
• 4.5 小結
• 4.4.5 計算資源的消耗
• 4.4.4 網絡架構的選擇
• 4.4.3 模型可解釋性
• 4.4.2 數據噪聲和異質性
• 4.4.1 “維度災難”和類不平衡性
• 4.4 采用人工智能算法所面臨的挑戰
• 4.3 調控元件的智能設計
• 4.2.2 轉錄因子結合位點的挖掘
• 4.2.1 啟動子的挖掘
• 4.2 調控元件的人工智能挖掘
• 4.1.2 真核生物轉錄調控元件
• 4.1.1 原核生物轉錄調控元件
• 4.1 調控元件的類型及特點
• 第4章 調控元件
• 3.5 參考文獻
• 3.4 小結
• 3.3.6 多輸入模塊
• 3.3.5 單輸入模塊
• 3.3.4 反饋
• 3.3.3 前饋
• 3.3.2 級聯
• 3.3.1 簡單調控
• 3.3 邏輯拓撲結構
• 3.2.5 基因調控網絡模型
• 3.2.4 基因表達的隨機模型
• 3.2.3 種群生長Logistic模型
• 3.2.2 希爾方程
• 3.2.1 米氏方程
• 3.2 數學模型
• 3.1 標準定量機制
• 第3章 合成生物學中的數學模型
• 2.7 參考文獻
• 2.6 小結
• 2.5.8 注意力網絡
• 2.5.7 深度生成模型
• 2.5.6 殘差神經網絡
• 2.5.5 循環神經網絡
• 2.5.4 卷積神經網絡
• 2.5.3 多層感知器
• 2.5.2 線性神經網絡
• 2.5.1 深度置信網絡
• 2.5 神經網絡模型
• 2.4.2 神經網絡
• 2.4.1 深度學習框架
• 2.4 深度學習基礎
• 2.3.8 XGBoost
• 2.3.7 梯度提升機
• 2.3.6 隨機森林
• 2.3.5 K-近鄰
• 2.3.4 貝葉斯網絡
• 2.3.3 支持向量回歸
• 2.3.2 支持向量機
• 2.3.1 決策樹
• 2.3 機器學習主要算法
• 2.2.7 機器學習在合成生物學中的應用
• 2.2.6 監督學習、半監督學習和無監督學習
• 2.2.5 損失函數與優化器
• 2.2.4 反向傳播法
• 2.2.3 遷移學習
• 2.2.2 強化學習
• 2.2.1 集成學習
• 2.2 機器學習技術
• 2.1 人工智能的發展歷程
• 第2章 人工智能概述
• 1.7 參考文獻
• 1.6 小結
• 1.5.3 創新應用成果凸顯
• 1.5.2 核心技術不斷升級
• 1.5.1 合成能力飛速發展
• 1.5 里程碑成果
• 1.4.5 定向進化
• 1.4.4 基因編輯
• 1.4.3 DNA組裝
• 1.4.2 DNA測序
• 1.4.1 DNA合成
• 1.4 主要技術方法
• 1.3.2 工程化設計
• 1.3.1 層級化結構
• 1.3 基本原理
• 1.2 定義與本質
• 1.1 發展歷程
• 第1章 合成生物學概述
• 關于異步社區和異步圖書
• 與我們聯系
• 提交勘誤
• 資源獲取
• 資源與支持
• 前言
• 序
• 編委會名單（排名不分先后）
• 內容提要
• 版權
• 版權信息
• 封面

• 封面
• 版權信息
• 版權
• 內容提要
• 編委會名單（排名不分先后）
• 序
• 前言
• 資源與支持
• 資源獲取
• 提交勘誤
• 與我們聯系
• 關于異步社區和異步圖書
• 第1章 合成生物學概述
• 1.1 發展歷程
• 1.2 定義與本質
• 1.3 基本原理
• 1.3.1 層級化結構
• 1.3.2 工程化設計
• 1.4 主要技術方法
• 1.4.1 DNA合成
• 1.4.2 DNA測序
• 1.4.3 DNA組裝
• 1.4.4 基因編輯
• 1.4.5 定向進化
• 1.5 里程碑成果
• 1.5.1 合成能力飛速發展
• 1.5.2 核心技術不斷升級
• 1.5.3 創新應用成果凸顯
• 1.6 小結
• 1.7 參考文獻
• 第2章 人工智能概述
• 2.1 人工智能的發展歷程
• 2.2 機器學習技術
• 2.2.1 集成學習
• 2.2.2 強化學習
• 2.2.3 遷移學習
• 2.2.4 反向傳播法
• 2.2.5 損失函數與優化器
• 2.2.6 監督學習、半監督學習和無監督學習
• 2.2.7 機器學習在合成生物學中的應用
• 2.3 機器學習主要算法
• 2.3.1 決策樹
• 2.3.2 支持向量機
• 2.3.3 支持向量回歸
• 2.3.4 貝葉斯網絡
• 2.3.5 K-近鄰
• 2.3.6 隨機森林
• 2.3.7 梯度提升機
• 2.3.8 XGBoost
• 2.4 深度學習基礎
• 2.4.1 深度學習框架
• 2.4.2 神經網絡
• 2.5 神經網絡模型
• 2.5.1 深度置信網絡
• 2.5.2 線性神經網絡
• 2.5.3 多層感知器
• 2.5.4 卷積神經網絡
• 2.5.5 循環神經網絡
• 2.5.6 殘差神經網絡
• 2.5.7 深度生成模型
• 2.5.8 注意力網絡
• 2.6 小結
• 2.7 參考文獻
• 第3章 合成生物學中的數學模型
• 3.1 標準定量機制
• 3.2 數學模型
• 3.2.1 米氏方程
• 3.2.2 希爾方程
• 3.2.3 種群生長Logistic模型
• 3.2.4 基因表達的隨機模型
• 3.2.5 基因調控網絡模型
• 3.3 邏輯拓撲結構
• 3.3.1 簡單調控
• 3.3.2 級聯
• 3.3.3 前饋
• 3.3.4 反饋
• 3.3.5 單輸入模塊
• 3.3.6 多輸入模塊
• 3.4 小結
• 3.5 參考文獻
• 第4章 調控元件
• 4.1 調控元件的類型及特點
• 4.1.1 原核生物轉錄調控元件
• 4.1.2 真核生物轉錄調控元件
• 4.2 調控元件的人工智能挖掘
• 4.2.1 啟動子的挖掘
• 4.2.2 轉錄因子結合位點的挖掘
• 4.3 調控元件的智能設計
• 4.4 采用人工智能算法所面臨的挑戰
• 4.4.1 “維度災難”和類不平衡性
• 4.4.2 數據噪聲和異質性
• 4.4.3 模型可解釋性
• 4.4.4 網絡架構的選擇
• 4.4.5 計算資源的消耗
• 4.5 小結
• 4.6 參考文獻
• 第5章 蛋白質工程
• 5.1 基本策略
• 5.1.1 定向進化
• 5.1.2 半理性設計
• 5.1.3 從頭設計蛋白質
• 5.2 人工智能輔助蛋白質工程策略
• 5.2.1 蛋白質數據集的構建
• 5.2.2 蛋白質的向量表示法
• 5.2.3 模型的選擇與構建
• 5.2.4 模型的訓練與評估
• 5.2.5 模型的可解釋性
• 5.3 人工智能在蛋白質工程中的應用實例
• 5.3.1 人工智能顛覆蛋白質結構預測
• 5.3.2 人工智能指導定向進化策略
• 5.3.3 人工智能驅動蛋白質從頭設計
• 5.4 人工智能輔助蛋白質工程應用
• 5.4.1 生物醫藥與抗體研發
• 5.4.2 生物制造與酶工程
• 5.5 小結
• 5.6 參考文獻
• 第6章 基因線路
• 6.1 基因線路設計
• 6.1.1 質粒的設計與構建
• 6.1.2 底盤細胞的選擇
• 6.1.3 實驗設計工具
• 6.2 基因線路的性能優化與建模策略
• 6.2.1 基因線路的性能優化
• 6.2.2 基因線路設計的建模策略
• 6.3 控制系統理論與設計
• 6.3.1 細胞內控制
• 6.3.2 細胞間控制
• 6.3.3 網絡細胞控制
• 6.4 利用人工智能設計基因線路
• 6.5 基因線路的應用
• 6.5.1 在生物傳感器中的應用
• 6.5.2 在生物醫學領域的應用
• 6.5.3 在DNA計算中的應用
• 6.6 小結
• 6.7 參考文獻
• 第7章 生物傳感器
• 7.1 全細胞生物傳感器
• 7.2 基于雙組分系統的生物傳感器
• 7.2.1 雙組分系統簡介
• 7.2.2 雙組分系統的效率調控
• 7.2.3 雙組分系統的特異性
• 7.2.4 雙組分系統在生物傳感器中的應用
• 7.3 合成生物學使能的生物傳感器
• 7.4 人工智能驅動的生物傳感器
• 7.5 智能生物傳感器的實例及應用
• 7.5.1 智能生物傳感器的應用實例
• 7.5.2 智能生物傳感器的應用領域
• 7.6 小結
• 7.7 參考文獻
• 第8章 工程化載體
• 8.1 工程化載體概述
• 8.1.1 腺病毒工程化載體
• 8.1.2 腺相關病毒工程化載體
• 8.1.3 逆轉錄病毒工程化載體
• 8.1.4 慢病毒工程化載體
• 8.2 傳統設計策略
• 8.2.1 嵌合病毒工程化載體策略
• 8.2.2 鑲嵌病毒工程化載體策略
• 8.2.3 假病毒工程化載體策略
• 8.2.4 利用DNA改組技術形成嵌合體
• 8.3 基于合成生物學的工程化載體設計策略
• 8.3.1 基于合成生物學的工程化載體設計特點
• 8.3.2 基于合成生物學的工程化載體設計策略
• 8.3.3 利用人工智能技術優化改造工程化載體
• 8.4 小結
• 8.5 參考文獻
• 第9章 微生物基因組
• 9.1 合成基因組
• 9.1.1 病毒基因組的合成
• 9.1.2 細菌基因組的合成
• 9.1.3 真核細胞基因組的合成
• 9.2 最小基因組的設計
• 9.2.1 最小基因組概述
• 9.2.2 最小基因組的構建原理
• 9.2.3 最小基因組構建示例
• 9.2.4 最小基因組構建的阻礙和挑戰
• 9.3 人工智能在基因組智能化設計中的應用
• 9.3.1 人工智能輔助染色體完全合成
• 9.3.2 人工智能輔助必需基因發掘
• 9.4 小結
• 9.5 參考文獻
• 第10章 代謝工程
• 10.1 代謝工程概述
• 10.2 代謝工程中常見的模式菌株
• 10.2.1 大腸桿菌
• 10.2.2 枯草芽孢桿菌
• 10.2.3 谷氨酸棒狀桿菌
• 10.2.4 釀酒酵母
• 10.2.5 其他菌株
• 10.3 代謝途徑的改造策略
• 10.3.1 調控元件的改造
• 10.3.2 生物合成途徑的重構
• 10.4 代謝工程改造示例
• 10.4.1 光滑念珠菌的代謝工程
• 10.4.2 放線菌屬的代謝工程
• 10.4.3 曲霉屬的代謝工程
• 10.5 人工智能在代謝工程中的應用
• 10.5.1 人工智能在代謝途徑中的設計原理
• 10.5.2 人工智能輔助代謝途徑優化
• 10.5.3 人工智能輔助細菌代謝系統的進化預測
• 10.6 小結
• 10.7 參考文獻
• 第11章 人工智能在DNA計算及存儲中的應用
• 11.1 DNA計算
• 11.1.1 DNA計算原理
• 11.1.2 DNA計算模塊
• 11.1.3 DNA計算數字邏輯
• 11.1.4 DNA計算模擬電路
• 11.2 神經擬態計算
• 11.2.1 神經擬態計算概述
• 11.2.2 基于DNA分子的神經擬態計算
• 11.2.3 利用基因線路構建神經擬態計算
• 11.3 DNA存儲
• 11.3.1 DNA存儲簡介
• 11.3.2 DNA存儲基本流程
• 11.3.3 DNA存儲模式
• 11.4 人工智能在DNA存儲中的應用
• 11.5 小結
• 11.6 參考文獻
• 第12章 合成生物學與人工智能賦能的生物經濟
• 12.1 生物經濟概述
• 12.1.1 生物經濟的定義
• 12.1.2 生物經濟的發展趨勢
• 12.1.3 國外生物經濟的發展戰略
• 12.1.4 國內生物經濟的發展戰略
• 12.2 合成生物學是生物經濟發展的關鍵驅動因素
• 12.3 人工智能賦能新一代生物經濟
• 12.3.1 人工智能推動生物產業的智能化與自動化
• 12.3.2 人工智能助力合成生物學產業——以生物制藥業為例
• 12.4 小結
• 12.5 參考文獻 更新時間：2024-12-16 16:49:33